云层图像理解在天气预测、太阳能发电等领域都有着广泛的应用。在图像编辑中,云也是最常见的素材。自然场景中,天空是常见的图像内容,而包含天空的图像经常存在天空比较单调,没有云彩点缀的情况。这时,可以从互联网上搜索满意的云彩图像,将其融合到原始天空图像中,以增强这些天空图像的视觉效果。论文针对上述图像编辑问题,将其分解为云图像分割、云图像搜索和云图像编辑三个问题。针对云图像的分割问题,论文设计了一种软分割方法,该方法可以得到云的整体外观以及各个局部的不透明度。云没有固定的形状,并且由于其运动性导致其各个局部不透明度不同且是动态的,这使得云很难表示。为此,论文采用一种特征融合的策略对云进行表示,该策略充分利用了有很强表达能力的深度神经网络(Deep Neural Networks,DNN)产生的高层语义特征,以及以往研究中经典的底层视觉特征。在此基础上,论文使用了高斯混合模型(Gaussian Mixed Model,GMM)来刻画云的特征分布。然后,论文设计了一种能量最小化的方法进行软分割,该方法旨在保持空间和特征的同质性,同时适应图像邻域平滑和变化。采用了交替优化算法(Alternation Optimization,AO)求解上述优化问题,输出带有软标签的分段。由于软分段没有类别标签,最后论文使用一个预先训练的模型,根据最大似然估计(Maximum Likelihood Estimate,MLE)将分割后的段组成云对象。实验证明,与现有方法相比,论文的方法可以获得更为精细的分段。针对如何检索多样云图像的问题,论文设计了一种基于图遍历的算法来实现检索,该方法属于基于示例的检索(Query By Example,QBE)方法。论文使用了深度特征对图像进行相似度评分,然后使用了基于图遍历的方法进行搜索重排,输出排名靠前的结果集。实验证明,该方法获得的云图像检索结果具有多样性。针对云图像编辑问题,论文在上述分割和检索算法的基础上,尝试了几种编辑处理,包括云的不透明度度量、云的重新着色、云的去除以及云的剪贴,并且进行了相应的实验验证。